使用深度学习算法用于中等分辨率光学图像中自动检测漏油.
Zhen Sun1, Qingshu Yang1, Nanyang Yan2
1Institute of Estuarine and Coastal Research, School of Ocean Engineering and Technology, Sun Yat-sen University, and Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai 519082, China.
Marine pollution bulletin
|July 31, 2024
概括
这项研究改进了使用卫星图像检测漏油的深度学习模型. 联网与CBAM关注实现了最佳表现,突出了AI.
科学领域:
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
- 环境监测 环境监测
背景情况:
- 石油泄漏对环境构成重大威胁,需要有效的检测方法.
- 光学卫星图像为监测海洋环境提供了宝贵的资源.
- 深度学习算法显示出对卫星数据的自动化分析的前景.
研究的目的:
- 通过使用Sentinel-2,Landsat-8和Landsat-9图像来评估和增强石油泄漏检测的深度学习模型.
- 研究注意力机制对卷积神经网络架构性能的影响.
- 确定最佳的深度学习模型,以准确检测漏油.
主要方法:
- 开发了一种半自动标签方法,用于从全球泄漏事件中创建油数据集.
- 增强的UNet,BiSeNetV2和DeepLabV3+架构与注意模块 (SE,CBAM,SimAM) 进行了增强.
- 使用中分辨率光学卫星图像评估模型性能.
主要成果:
- 与卷积块注意模块 (CBAM) 集成的UNet架构表现出卓越的性能.
- 将阳光闪耀作为一个功能显著提高了UNet-CBAM模型的准确性.
- 最优的UNet-CBAM模型在发现漏油时获得了88.8%的微平均F1得分.
结论:
- 深度学习,特别是注意力增强的UNet,显示了在光学遥感中发现石油泄漏的巨大潜力.
- 这些发现强调了随着高分辨率卫星数据的扩散,这些技术的相关性越来越大.
- 进一步的研究可以利用这些先进的模型进行更有效的环境监测和响应.
关键词:
深度学习是一种深度学习.石油泄漏漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油泄漏油光学远程传感器是一种远程传感器.阳光闪闪发光的阳光闪闪发光
